从零开始写ChatGLM大模型的微调代码_chatgml 微调

cursor 的下载及安装（免费版每月100次，升级pro 20刀/月）

cursor是一款与openai合作的，使用gpt-4的一款编程工具，它可以让你通过gpt-4进行辅助编程，以此提高效率。

下载地址：https://www.cursor.so/
cursor的使用

cursor的使用方式极其简易，只有两个快捷键，即ctrl+k\ctrl+l。
ctrl+k 表单形式使用

按快捷键：ctrl+k弹出输入框，输入你所需要写的代码要求及技术按回车即可。如下图。

程序将自己生成代码：

ctrl+l 对话框形式使用

按快捷键：ctrl+l弹出输入框,输入你想问的问题，或者内容即可获得相应的回复和对话框。

cursor可以做到的事

用了之后，发现真的很强大，可以写sql、html、js、算法、找bug等
代码续写、重写能力

ctrl+a + ctrl+k 告诉他帮你续写或者重写

微调大模型实现步骤（cursor生成）

 1. 加载预训练模型
 2. 冻结模型的所有参数
 3. 替换模型的最后一层为新的全连接层
 4. 解冻新的全连接层的参数
 5. 定义损失函数和优化器
 6. 训练新的全连接层
 7. 解冻模型的前几层
 8. 降低学习率
 9. 继续训练整个模型
 10. 保存微调后的模型
1
2
3
4
5
6
7
8
9
10

加载预训练模型

pretrained_model = models.resnet50(pretrained=True)
1

冻结模型的所有参数

for param in pretrained_model.parameters():
    param.requires_grad = False
1
2

替换模型的最后一层为新的全连接层

pretrained_model.fc = nn.Linear(pretrained_model.fc.in_features, num_classes)
1

解冻新的全连接层的参数

for param in pretrained_model.fc.parameters():
    param.requires_grad = True
1
2

定义损失函数和优化器

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(pretrained_model.fc.parameters(), lr=0.001, momentum=0.9)
1
2

训练新的全连接层

for epoch in range(10):
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = pretrained_model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
        if i % 2000 == 1999:
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0
1
2
3
4
5
6
7
8
9
10
11
12
13
14

解冻模型的前几层

for param in pretrained_model.layer4.parameters():
    param.requires_grad = True
1
2

降低学习率

optimizer = optim.SGD(pretrained_model.parameters(), lr=0.0001, momentum=0.9)
1

继续训练整个模型

for epoch in range(10):
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = pretrained_model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
        if i % 2000 == 1999:
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0
1
2
3
4
5
6
7
8
9
10
11
12
13
14

保存微调后的模型

torch.save(pretrained_model.state_dict(), 'fine_tuned_model.pth')
1

详情参考：https://blog.csdn.net/KanShiMeKan/article/details/129651474